ECHO：基于高阶算子编码社区
机器学习
2026-02-27 v1 人工智能
摘要
属性网络的社区检测面临一个根本性的二分：拓扑算法忽略语义特征，而图神经网络（GNN）则遭遇计算瓶颈。具体而言，GNN 在稠密或异质性网络中 suffer 从瓶颈：语义墙（特征过平滑）和系统墙（基于成对聚类的 O(N^2) 内存限制）。为拆除这些障碍，我们引入 ECHO（Encoding Communities via High order Operators），这是一种可扩展、无监督的架构，将社区检测重新框定为一种自适应、多尺度扩散过程。ECHO 具备一种拓扑感知路由器，自动分析结构启发式的稀疏性、密度和归属性，以将图路由至最佳归纳偏置，防止异质性污染，同时确保语义稠密化。结合内存分片的全批次对比目标和一种新颖的分块 O(N \cdot K) 相似性提取方法，ECHO 完全绕过传统的 O(N^2) 内存瓶颈，而不牺牲全局梯度的数学精度。广泛的评估表明，该拓扑特征协同效应始终克服了经典的分辨率限制。在规模达到 100 万节点的合成 LFR 框架上，ECHO 实现了规模不变的准确度，尽管存在严重的拓扑噪声。此外，在拥有超过 160 万节点和 3000 万条边的大型真实社交网络上，仅用数分钟即可完成聚类，吞吐量超过每秒 2800 个节点，匹配高度优化的纯拓扑基准的速度。该实现利用统一框架，自动启用内存分片优化，以支持在不同硬件约束下的采用。GitHub 仓库：https://github.com/emilioferrara/ECHO-GNN
引用
@article{arxiv.2602.22446,
title = {ECHO: Encoding Communities via High-order Operators},
author = {Emilio Ferrara},
journal= {arXiv preprint arXiv:2602.22446},
year = {2026}
}